首页 | 新闻 | 新品 | 文库 | 方案 | 视频 | 下载 | 商城 | 开发板 | 数据中心 | 座谈新版 | 培训 | 工具 | 博客 | 论坛 | 百科 | GEC | 活动 | 主题月 | 电子展
返回列表 回复 发帖

深度学习-----思想篇(四)

深度学习-----思想篇(四)

刚又学了吴教授的斯坦福公开课的第三课,总结如下:



        这一课,小概念特别多,比如拟合,欠拟合,过拟合,函数,假设,参数算法和非参数算法 ,我理解拟合是应该是X,Y 两个数据集合合到一起的一个趋势,可以是一条直线,欠拟合是没有在合在一起,过拟合是指超过拟合的界限,成了曲线。函数、假设是老师直接用的,可以把函数是N个数据集合形成的规则,假设就是条件表达式,IF 之类的,参数算法很好理解,算法里面是有参数的,非参数算法是算法里面没有参数,只有数或数的集合。



       这一课,重点介绍了局部加权线性回归算法,这个算法我理解X,Y两个数据集合,我只取Y集合的某一段数据,找到这一段的分布趋势,划出一条直线,用X上的一点去对应找到那条直线上的Y点,这有点像吃糖葫芦,我想吃糖葫芦中间那段,我就需要用嘴移动到糖葫芦的中间部位的一个上面,上一口,就OK了。



          还讲到了第一个分类算法-----LOGISITC算法,我理解这个算法是解决0或者1的问题,也可以理解为曲线线性回归,它不是直线趋势判断,而是更加科学的曲线趋势判断。



      吴教授还提到如果把这些数据集合,推导过程,代码,汇总起来,就构成了一个模型,他曾经把局部加权线性回归算法,其实是个非参数算法,写成模型写入到自动飞行器上。

      吴教授还讲到了如果要学习好算法,需要把推导过程盖住,自己一步一步的去推导。我理解教授的意思是,学习一种算法,除了搞清楚它的假设条件,它用到的函数,还需要搞清楚算法的推理。

      算法的本来面目在一点一点露出,加油!!
探索未知领域
返回列表